JPH0477219A - Expert system of molding-assistance - Google Patents
Expert system of molding-assistanceInfo
- Publication number
- JPH0477219A JPH0477219A JP18950490A JP18950490A JPH0477219A JP H0477219 A JPH0477219 A JP H0477219A JP 18950490 A JP18950490 A JP 18950490A JP 18950490 A JP18950490 A JP 18950490A JP H0477219 A JPH0477219 A JP H0477219A
- Authority
- JP
- Japan
- Prior art keywords
- molding
- section
- experimental
- data
- injection molding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000465 moulding Methods 0.000 claims abstract description 102
- 230000007547 defect Effects 0.000 claims description 54
- 238000003745 diagnosis Methods 0.000 claims description 32
- 238000002474 experimental method Methods 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 3
- 230000001537 neural effect Effects 0.000 abstract 2
- 238000001746 injection moulding Methods 0.000 description 54
- 238000002347 injection Methods 0.000 description 22
- 239000007924 injection Substances 0.000 description 22
- 239000011347 resin Substances 0.000 description 15
- 229920005989 resin Polymers 0.000 description 15
- 239000000463 material Substances 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 9
- 239000004033 plastic Substances 0.000 description 9
- 229920003023 plastic Polymers 0.000 description 9
- 238000013461 design Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 7
- 239000004697 Polyetherimide Substances 0.000 description 6
- 229920001601 polyetherimide Polymers 0.000 description 6
- 238000003050 experimental design method Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000012356 Product development Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 239000004696 Poly ether ether ketone Substances 0.000 description 2
- 239000004734 Polyphenylene sulfide Substances 0.000 description 2
- 238000000540 analysis of variance Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013400 design of experiment Methods 0.000 description 2
- 238000013401 experimental design Methods 0.000 description 2
- 229920002530 polyetherether ketone Polymers 0.000 description 2
- 229920000069 polyphenylene sulfide Polymers 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000748 compression moulding Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 229920006351 engineering plastic Polymers 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 239000004417 polycarbonate Substances 0.000 description 1
- 229920000515 polycarbonate Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- -1 shape (large Substances 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 229910052709 silver Inorganic materials 0.000 description 1
- 239000004332 silver Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/766—Measuring, controlling or regulating the setting or resetting of moulding conditions, e.g. before starting a cycle
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
Description
【発明の詳細な説明】
［発明の目的］
（産業上の利用分野）
本発明は、例えばプラスチックの射出成形の成形条件の
適性化を図るための成形支援エキスパートシステムに関
する。DETAILED DESCRIPTION OF THE INVENTION [Object of the Invention] (Industrial Application Field) The present invention relates to a molding support expert system for optimizing the molding conditions of, for example, plastic injection molding.
（従来の技術）
一般に、スクリュー式の射出成形機にて成形品を射出成
形した場合、成形不良の発生ほか問題となることが多い
。ここで、成形不良としては、充填不足、パリ、ヒケ、
そり、曲り、ねじれ、割れ、クラック、クレージング、
銀条、等の多くのものがある。これら不良の発生する原
因としては、例えば充填不足ではプラスチック材料の温
間、射出圧力か低すぎることによるプラスチック材料の
流動性不足や金型内での空気の逃げ場ないときなどに発
生する。このように、不良か発生した場合には、射出成
形機の射出成形条件を変更・修正しなければならない。(Prior Art) Generally, when a molded product is injection molded using a screw type injection molding machine, problems such as molding defects often occur. Here, molding defects include insufficient filling, cracks, sink marks,
Warping, bending, twisting, splitting, cracking, crazing,
There are many such as silver stripes. These defects occur, for example, when the plastic material is too warm due to insufficient filling, when the fluidity of the plastic material is insufficient due to too low injection pressure, and when there is no place for air to escape within the mold. In this way, when a defect occurs, the injection molding conditions of the injection molding machine must be changed or corrected.
そこで、従来においては、射出成形条件の変更・修正は
、射出成形作業に熟達したエキスパートか、不良の種類
及びその度合い等をみて、長年の経験的試行錯誤により
その不良原因を判断して行っている。したかって、射出
成形機を操作するには、そのエキスパートでなければ困
難となっている。ところか、現実にエキスパートを育成
するには、長期間にわたって経験を積んで射出成形機及
び各種プラスチック別の射出成形作用を熟知しなければ
ならず、エキスパートラ容易に得ることかできなかった
。さらに、新規な射出成形機か導入されると、エキスパ
ートを育成するために講習や他工場へ人材を派遣しなけ
ればならない。また、特に開発か進んでいるエンジニア
リングプラスチック材料を使用しての成形は、その射出
成形条件の最適化か難しく、エキスパートの育成に困難
か生している。一方、このようなエキスパートの勘にた
よる射出成形条件の最適化に対し、実験計画法に基つい
て統Ｊｊ的に最適射出成形条件を求める方法も行われて
いる。この方法ニヨれば、エキスパートでなくとも最適
射出成形条件を求めることかできる利点かあるか、新製
品の場合は、過去のデータを十分に紹み入れることがで
きないので、初期値の設定が困難となる。そこで、１回
の直交表に基づく実験計画では最適射出成形条件を求め
ることができす、通常、同様の実験計画を複数回繰り返
さねばならない。したかって、実験計画法に基づく最適
射出成形条件の決定は、複雑かつ面倒なものとならざる
をえず、すこぶる非能率なものとなっていた。Therefore, in the past, changes and corrections to injection molding conditions were made by experts who were proficient in injection molding work, or by looking at the type and degree of defects, and determining the cause of the defects through years of empirical trial and error. There is. Therefore, it is difficult to operate an injection molding machine unless you are an expert. However, in order to actually train experts, it is necessary to accumulate experience over a long period of time and become familiar with injection molding machines and injection molding operations of various plastics, making it difficult to become experts. Furthermore, when a new injection molding machine is introduced, it is necessary to provide training courses or dispatch personnel to other factories to train experts. Furthermore, when molding using engineering plastic materials, which are particularly well developed, it is difficult to optimize the injection molding conditions, making it difficult to train experts. On the other hand, in contrast to such optimization of injection molding conditions that relies on the intuition of experts, there is also a method of systematically determining optimal injection molding conditions based on a design of experiments method. Does this method have the advantage of allowing non-experts to find the optimal injection molding conditions?In the case of new products, it is difficult to set initial values because it is not possible to sufficiently introduce past data. becomes. Therefore, although the optimal injection molding conditions can be found with a single experimental design based on an orthogonal array, it is usually necessary to repeat the same experimental design multiple times. Therefore, determining the optimal injection molding conditions based on the experimental design method has to be complicated and troublesome, and is extremely inefficient.
（発明か解決しようとする課題）
以上のように、射出成形機の成形条件を最適化するには
、射出成形機を熟知したエキスパートが不可欠であり、
初心者では全く困難である。また、成形妥当値を全く予
測できない場合は、実験計画法に基ついて統計的に最適
射出成形条件を求める方法は、ずこぷる能率か低い難点
をもっている。(Problem to be solved by the invention) As mentioned above, in order to optimize the molding conditions of an injection molding machine, an expert who is familiar with the injection molding machine is essential.
It is quite difficult for beginners. Furthermore, when the appropriate molding value cannot be predicted at all, the method of statistically determining the optimum injection molding conditions based on the experimental design method has the disadvantage of extremely low efficiency.
本発明は、上記事情を勘案してなされたもので、成形条
件の最適化を経験か少なくても確実かつ容易に行うこと
かできる成形支援エキスパートシステムを提供すること
を目的とする。The present invention has been made in consideration of the above circumstances, and an object of the present invention is to provide a molding support expert system that can reliably and easily optimize molding conditions even with little experience.
［発明の構成］
（課題を解決するための手段と作用）
本発明の成形支援エキスパートシステムは、知識ベース
部に過去の成形データやノウハウを逐次蓄積し、これら
過去の成形データやノウハウにより構築され且つこれら
により成形製品ごとに繰り返し学習を行なわせたニュー
ラルネット部により成形条件推定値を想起させ、この成
形条件推定値を初期条件として実験計画部にて実験計画
案を立案し、この実験計画案に基づいて得られた実験デ
ータにより最適成形条件を得るようにしているので、迅
速かつ確実に所望の最適成形条件を得ることができる。[Structure of the Invention] (Means and Effects for Solving the Problems) The molding support expert system of the present invention sequentially accumulates past molding data and know-how in a knowledge base section, and is constructed using these past molding data and know-how. In addition, the neural network unit, which is repeatedly trained for each molded product, recalls the estimated molding conditions, and uses the estimated molding conditions as the initial condition to formulate an experimental plan in the experimental planning department. Since the optimum molding conditions are obtained using experimental data obtained based on the above, it is possible to quickly and reliably obtain the desired optimum molding conditions.
したかって、成形精度か顕著に向上することはもとより
、成形パラメータ設計期間及び新製品開発期間の短縮に
寄与することかできる。さらに、この成形支援エキスパ
ートシステムは、不良診断推定部を備えているので、オ
ンライン及びオフラインで成形不良の診断をすることが
できる。また、実験計画部による実験計画案に基づいて
得られた実験データを不良診断知識へフィードバックす
ることにより、成形不良診断精度か向上する。Therefore, not only the molding accuracy can be significantly improved, but also the molding parameter design period and the new product development period can be shortened. Furthermore, since this molding support expert system is equipped with a defect diagnosis estimation section, it is possible to diagnose molding defects online and offline. Further, by feeding back the experimental data obtained based on the experimental plan by the experiment planning section to the defect diagnosis knowledge, the accuracy of molding defect diagnosis is improved.
（実施例） 以下、本発明の一実施例を図面を参照して詳述する。(Example) Hereinafter, one embodiment of the present invention will be described in detail with reference to the drawings.
第１図は、この実施例の成形支援エキスパートシステム
（２２）か組込まれた射出成形機（５０）を示している
。この射出成形機（５０）は、射出成形本体部（１）と
、この射出成形本体部（１）に付設された射出成形制御
部（２）とからなってる。FIG. 1 shows an injection molding machine (50) incorporating the molding support expert system (22) of this embodiment. This injection molding machine (50) consists of an injection molding main body (1) and an injection molding control section (2) attached to this injection molding main body (1).
しかして、射出成形本体部（１）は、金型（２）を保持
してこの金型（２）の型締め及び型開きを行う型締機構
（図示せず）と、金型（２）内に形成されたキャビティ
ー（４）に溶融樹脂（５）を射出する射出機構（６）と
、型締機構及び射出機構（６）の機械的動作のためのパ
ワー・エネルギーを供給する油圧駆動部（図示せず）と
からなっている。さらに、型締機構（３）は、金型（２
）を取付けるダイプレート（図示せず）と、このグイプ
レートを支持して金型（２）の開閉運動の摺動ガイド吉
なるタイバー（図示せず）と、金型（２）を開閉し型締
力を発生させる型締シリンダー（図示せず）とからなっ
ている。一方、射出機構（６）は、溶融樹脂（５）とな
るプラスチック材料を貯蔵するホッパー（１１）と、内
部にスクリュー（１２）を有しホッパー（１１）から供
給されたプラスチック材料の計量、可塑化及び射出を行
う加熱シリンダ（１３）と、この加熱シリンダ（１３）
の先端に取付けられ金型（２）に当接して溶融樹脂（５
）の金型（２）への通路を形成するノズル（１４）と、
スクリュー（１２）を前進・後退させる射出ラム・シリ
ンダ（１５）と、スクリュー（１２）に回転力を与える
スクリュー駆動装置（Ｉ６）と、加熱シリンダ（１３）
の外周部に添装されたヒーター（１３ａ）からなってい
る。そして、射出ラム・シリンダ（１５）とスクリュー
駆動部ｆｆ１（１６１と型締シリンダーは、前記油圧駆
動部に流体的に接続されている。Therefore, the injection molding main body (1) includes a mold clamping mechanism (not shown) that holds the mold (2) and clamps and opens the mold (2), and a mold clamping mechanism (not shown) that holds the mold (2) and clamps and opens the mold (2). an injection mechanism (6) for injecting the molten resin (5) into a cavity (4) formed therein; and a hydraulic drive that supplies power and energy for mechanical operation of the mold clamping mechanism and the injection mechanism (6). (not shown). Furthermore, the mold clamping mechanism (3)
) is attached to the die plate (not shown), a tie bar (not shown) that supports this guide plate and serves as a sliding guide for the opening and closing movement of the mold (2), and It consists of a mold clamping cylinder (not shown) that generates clamping force. On the other hand, the injection mechanism (6) has a hopper (11) for storing plastic material to become the molten resin (5), and a screw (12) inside, and measures and plasticizes the plastic material supplied from the hopper (11). a heating cylinder (13) that performs conversion and injection, and this heating cylinder (13)
is attached to the tip of the mold (2) and melts the resin (5).
) a nozzle (14) forming a passage to the mold (2);
An injection ram cylinder (15) that advances and retreats the screw (12), a screw drive device (I6) that provides rotational force to the screw (12), and a heating cylinder (13).
It consists of a heater (13a) attached to the outer periphery of the heater. The injection ram cylinder (15), screw drive unit ff1 (161) and mold clamping cylinder are fluidly connected to the hydraulic drive unit.
つぎに、射出成形制御部（２゛ は、前記射出成形本体
部（１）にあらかしめ設定されたプログラムに基づいて
制御信号を出力して射出成形作業を制御する中央制御部
（２１）と、この中央制御部（２１）に電気的に接続さ
れ中央制御部（２１）から成形データを取入れながら最
適成形条件、成形不良診断等のトータル支援を行う成形
支援エキスパート／ステム（２２）とからなっている。Next, the injection molding control section (2') is a central control section (21) that outputs a control signal based on a program preset in the injection molding main body section (1) to control the injection molding operation; It consists of a molding support expert/stem (22) that is electrically connected to this central control part (21) and receives molding data from the central control part (21) and provides total support such as optimal molding conditions and molding defect diagnosis. There is.
しかして、中央制御部（２１）は、各種データの入力を
行うためのキーホード（２３）と、このキーホード（２
３）と成形支援エキスパートシステム（２２）との間に
設けられた主制御部（２４）と、この主制御部（２４）
において必要なデータを一時的に格納しておくメモリ（
２５）と、主制御部（２４）における演算結果を表示す
る例えばブラウン管、プリンタなとの表示部（２６）と
、キーホード（２３）及び表示部（２６）と主制御部（
２４）との間に電気的に設けられ各種データの授受の制
御を行う入出力部（２７）とからなっている。そして、
主制御部（２４は、入出力部（２７）を介して、前記油
圧駆動部、射出ラム・シリンダ（１５）、スクリュー駆
動装置及び型締シリンダーに電気的に接続されている。Thus, the central control unit (21) has a keyboard (23) for inputting various data, and a keyboard (23) for inputting various data.
3) and the molding support expert system (22);
Memory that temporarily stores the data needed for
25), a display section (26) such as a cathode ray tube or a printer that displays the calculation results in the main control section (24), a keyboard (23), a display section (26), and a main control section (24).
24), and an input/output section (27) that is electrically provided between the input and output section (24) and controls the exchange of various data. and,
The main control section (24) is electrically connected to the hydraulic drive section, the injection ram cylinder (15), the screw drive device and the mold clamping cylinder via the input/output section (27).
一方、成形支援エキスパートシステム（２２）は、第２
図に示すように、形状、精度９機能、光学特性など）と
成形最適条件データの関係、成形不良事象データ、材料
特性データ、金型データ、成形機仕様データ、成形不良
診断ルール等を蓄えるための知識ベース部（３１）と、
成形品の仕様と成形開発品の最適条件間の関係を学習し
ノード間の伝達関数として知識を蓄え、新開発品の仕様
に基づき最適成形条件推定値を想起するニューラルネッ
ト部（３２）と、成形不良事象に対して知識ベース部（
３１）中の診断事象、ルールを用いて成形不良診断を行
う成形不良診断部（３３）と、ニューラルネット部（３
２）にて想起された最適成形条件推定値に基づいて実験
計画法の手法を用いて実験計画を組むととともに得られ
た実験データに基づいて最適成形条件を決定する実験計
画部（３４）と、知識ベース部（３１）とニューラルネ
ット部（３２）と成形不良診断部（３３）と実験計画部
（３４）を統御してデータの授受を行わせるとともに成
形不良診断部（３３）の診断データ及び実験計画部（３
４）にて算出された実験計画に基づく実験指令信号を主
制御部（２４）に出力するシステム制御部（３５）とか
らなっている。しかして、知識ベース部（３１）には、
第３図に示す診断知識ファイル（３１ａｌ と、第４
図に示す田ロメソット計算手法に関する実験計画手法フ
ァイルｆ３１ｂ） と、第５図に示す金型設計データに
関する金型設計ファイルＨｌｃ）と、第６図に示す成形
機の特性を示す成形機データファイルｆ３］ｔり と
、第７図に示す射出成形される製品の諸元を示す成形デ
ータファイル（３１ｅ） と、一般ノウハウ・ファイ
ル（３１１）からなっている。On the other hand, the forming support expert system (22)
As shown in the figure, to store the relationship between shape, accuracy (9 functions, optical properties, etc.) and optimal molding condition data, molding defect event data, material property data, mold data, molding machine specification data, molding defect diagnosis rules, etc. knowledge base part (31),
a neural network unit (32) that learns the relationship between the specifications of the molded product and the optimal conditions for the newly developed product, stores knowledge as a transfer function between nodes, and recalls estimated values of the optimal molding conditions based on the specifications of the newly developed product; Knowledge base department (
31) A molding defect diagnosis section (33) that diagnoses molding defects using diagnostic events and rules in
an experiment planning unit (34) that creates an experimental plan using the experimental design method based on the estimated optimal molding conditions recalled in step 2) and determines optimal molding conditions based on the experimental data obtained; , controls the knowledge base section (31), neural network section (32), molding defect diagnosis section (33), and experiment planning section (34) to exchange data, and also transmits and receives diagnostic data from the molding defect diagnosis section (33). and Experiment Planning Department (3
It consists of a system control section (35) that outputs an experiment command signal based on the experiment plan calculated in step 4) to the main control section (24). However, in the knowledge base section (31),
The diagnostic knowledge file shown in Figure 3 (31al and
An experimental design method file f31b) related to the Taromesot calculation method shown in the figure, a mold design file Hlc) related to the mold design data shown in Figure 5, and a molding machine data file f3 showing the characteristics of the molding machine shown in Figure 6. ], a molding data file (31e) showing the specifications of the product to be injection molded as shown in FIG. 7, and a general know-how file (311).
しかして、診断知識ファイル（３１ａ）には、アドレス
Ａ、Ｂ、・・・、Ｚ別に各種プラスチック材料、例えば
ポリカーボネート（ＰＣ）、ポリエーテルイミド（ＰＥ
Ｉ）、ポリエーテルエーテルケトン（ＰＥＥＫ） 、Ａ
ＢＳ樹脂、ポリフェニレンサルファイド（Ｐ Ｐ Ｓ）
等の多数の材料別に診断知識Ｓｌ、Ｓ２．Ｓ３． ・
・、Ｓｑか蓄積されている。Therefore, in the diagnostic knowledge file (31a), various plastic materials, such as polycarbonate (PC), polyetherimide (PE), etc.
I), polyetheretherketone (PEEK), A
BS resin, polyphenylene sulfide (PPS)
Diagnostic knowledge SL, S2. S3.・
・, Sq is accumulated.
また、診断知識Ｓｌ、Ｓ２．Ｓ３．−，５ｑｉｉ、それ
ぞれ不良事象、原因事象、診断ルール及び確実度の各デ
ータを含んだもので、不良事象としては、第８図のよう
に、「充填不良Ｊａｌ、「パリ」ａ２、「ウェルトＪａ
３、「割れＪａ４、「異物」ａｎ−１、［銀条Ｊａｎや
、さらに、「樹脂焼け、Ｊｌ 「変色」、「ひけＪｌ
「気泡Ｊ等か各アドレスｍ１〜ｍｎ別に蓄積されている
。つぎに、原因事象は、第９図に示すように、「樹脂温
度低い」ｄｌ、「樹脂温度高いＪｄ２、「射出圧力低い
」ｄ３、「射出圧力高い」°ｄ４、「原料異常Ｊｄｃ１
、「射出速度速いＪｄｃや、さらに「金型低い」、「射
出時間の長短」、「冷却時間の長短」等が、各アドレス
に１〜ｋｂごとに蓄積されている。つぎに、診断ルール
は、入力された不良事象から原因事象を推論し、かつ、
診断結果の影響度を算出するためのもので、各別に、そ
れぞれ診断ルールが蓄積されている。たとえば、ルール
番号、１には、ウェルド不良の場合の診断結果つまり「
樹脂温度低い」か記憶されているとともに、この診断結
果に対する確実度０．８か記憶され、また、ルール番号
ｒ３には、充填不良とウェルト不良とか入力された場合
、「樹脂温度低い」か記憶されているとともに、その確
実度０９か記憶されている。In addition, diagnostic knowledge Sl, S2. S3. -, 5qii, each contains data on defective events, cause events, diagnostic rules, and certainty levels.Bad events include "filling defective Jal,""paris" a2, and "welt Ja," as shown in Figure 8.
3, ``Cracked Ja4, ``Foreign matter'' an-1, [Ginjo Jan, and also ``Resin burn, Jl ``Discoloration'', ``Sink Jl
"Bubbles J, etc. are accumulated for each address m1 to mn. Next, as shown in FIG. 9, the cause events are "low resin temperature" dl, "high resin temperature Jd2,""low injection pressure" d3 , “High injection pressure” °d4, “Raw material abnormality Jdc1
, ``Jdc with high injection speed'', ``low mold'', ``length of injection time'', ``length of cooling time'', etc. are stored in each address in units of 1 to 1 kb. Next, the diagnostic rule infers a causal event from the input bad event, and
It is used to calculate the degree of influence of diagnosis results, and diagnosis rules are accumulated for each type. For example, rule number 1 contains the diagnosis result for a weld defect, that is, "
"Resin temperature is low" is stored, and the degree of certainty for this diagnosis result is 0.8. Also, in rule number r3, if filling defects and welt defects are input, "resin temperature is low" is stored. and its certainty level of 09 is stored.
さらに、実験計画手法ファイルｆ３１ｂ）には、第４図
に示すように、例えば田ロメソットのＬ１８割付は表（
３１ｂ−１＋及びＬ ］、 ８直交表（３１ｂ−２）及
び各特性計算表（３１ｂ−３）格納されている。そして
、Ｌ１８割付は表（３１ｂ−１）は、各因子Ａ、Ｂ、Ｃ
。Furthermore, in the experimental design method file f31b), as shown in Figure 4, for example, the L18 assignment of Taromesot is shown in the table (
31b-1+ and L], an 8-orthogonal array (31b-2), and each characteristic calculation table (31b-3) are stored. Table (31b-1) shows the L18 allocation for each factor A, B, and C.
.
・・・につき三つの水準１，２．３が割付けられるよう
になっている。また、特性計算表（３１ｂ−３＋ は、
望小値及び望大値のそれされについて、特性値の分散分
析、ＳＮ比、各因子の平均効果、ＳＮ比の分散分析、等
の計算式からなっている。さらにまた、金型設計ファイ
ル［３］ｃ）には、第５図に示すように、各製品ごとに
、冷却方法、金型外径寸法、成形機名、等か格納されて
いる。さらに、成形機データアイル［３１ｄ）には、第
６図に示すように、各成形機ごとの最大圧力、最大速度
、温度制御特性、型取付部寸法、等か格納されている。Three levels 1, 2, and 3 are assigned to .... In addition, the characteristic calculation table (31b-3+ is
Regarding the deviation of the minimum and maximum values, calculation formulas include analysis of variance of characteristic values, SN ratio, average effect of each factor, analysis of variance of SN ratio, etc. Furthermore, as shown in FIG. 5, the mold design file [3] c) stores the cooling method, mold outer diameter dimension, molding machine name, etc. for each product. Furthermore, as shown in FIG. 6, the molding machine data file [31d) stores the maximum pressure, maximum speed, temperature control characteristics, mold attachment part dimensions, etc. for each molding machine.
最後に、成形データファイルＨ１ｅ）には、第７図に示
すように、各製品ごとの仕様（製品名〈レンズ名〉、材
料、形状〈大、中、小〉、フランジの有無、等）と、こ
の製品に対応射出条件〈樹脂温度、金型温度、保圧力、
保圧時間、射出速度、冷却時間、スクリュー回転数、背
圧、等〉か格納されている。Finally, the molding data file H1e) contains the specifications for each product (product name (lens name), material, shape (large, medium, small), presence or absence of flanges, etc.) as shown in Figure 7. , Compatible injection conditions for this product (resin temperature, mold temperature, holding pressure,
Holding pressure time, injection speed, cooling time, screw rotation speed, back pressure, etc. are stored.
さらにまた、実験計画部（３４）には、実験計画部（３
４）にて演算される例えばタグチメソッドなどの解析ソ
フトが格納されている。この解析ソフトは、Ｌ９．Ｌｉ
２．Ｌ３６などの直交表、解析のための特性式などから
なっている。しかして、ニューラルネット部（３２）は
、簡単な計算を行う計算ユニットが互いに重みつきの方
向性ユニットで結合されてネットワークをソフトウェア
により構成し、各々の計算ユニットは出力値をリンクを
介し伝播しながら情報処理を行うものである。そして、
このニューラルネット部（３２）は、層構造型をなして
いて、プラスチック材料・製品ごとの複数のニューラル
ネットワーク（３６）・・・の集まりからなっている。Furthermore, the experiment planning department (34) includes an experiment planning department (34).
4) is stored, for example, analysis software such as the Taguchi method. This analysis software is L9. Li
2. It consists of orthogonal arrays such as L36, characteristic expressions for analysis, etc. In the neural network section (32), calculation units that perform simple calculations are connected to each other by weighted directional units to form a network using software, and each calculation unit propagates output values via links. It processes information while and,
This neural network section (32) has a layered structure and is composed of a plurality of neural networks (36) for each plastic material/product.
これら各ニューラルネットワーク（３６）は、さらに、
第１０図に示すように、１成形条件ごと又は複数の成形
条件ごとに部分ネットワーク（３７）・・・から構成さ
れている。そうして、部分ネットワーク（３７）は、パ
ックプロパゲーション型のものからなっている。ちなみ
に、第１１図においては、回転軸対称型レンズを射出成
形対象としたニューラルネットワーク（３６）の部分ネ
ットワーク（３７）を示している。この部分ネットワー
ク（３７）は、射出成形品の仕様からなる入力層（３８
）と、最適射出条件からなる出力層（３９）と、入力層
（３８）と出力層（３９）との間に設けられた二層の隠
れ層からなる中間層（４０）とからなっている。上記入
力層（３８）は、製品仕様の径、厚さ、開口数、ｆ値か
らなっている。Each of these neural networks (36) further includes:
As shown in FIG. 10, a partial network (37) is constructed for each molding condition or for each plurality of molding conditions. Thus, the partial network (37) consists of a pack propagation type. Incidentally, FIG. 11 shows a partial network (37) of the neural network (36) whose injection molding target is a rotationally symmetrical lens. This partial network (37) has an input layer (38) consisting of the specifications of the injection molded product.
), an output layer (39) consisting of optimal injection conditions, and an intermediate layer (40) consisting of two hidden layers provided between the input layer (38) and the output layer (39). . The input layer (38) has the diameter, thickness, numerical aperture, and f-value of the product specifications.
一方、出力層（３９）は、保圧力及び保圧時間からなっ
ている。そして、入力層（３８）に入力した全入力値は
、入力層（３８）及び中間層（４０）を経由するときに
、各ノート間の伝達関数か掛は合わされ、出力層（３９
）にて、すべての入力について加え合わせることにより
、成形条件を予測するようになっている。さらに、シス
テム制御部（３５）は、知識へ−ス部（３Ｉ）から必要
な不良診断データを成形不良診断部（３３）に転送させ
射出成形不良診断を行わせるとともに、知識ベース部（
３１）に射出成形品の仕様データを格納させるとともに
、この格納させた仕様データをニューラルネット部（３
２）に転送して当該仕様データに対応する最適成形条件
推定値を想起させ、この想起成形条件推定値を実験計画
部（３４）に転送させ、この想起成形条件推定値を初期
値として、直交表に基づき実験計画を組ませ、この実験
計画に基づいて所定の実験指令信号を主制御部（２イ）
に出力するように設けられている。On the other hand, the output layer (39) consists of a holding force and a holding time. Then, when all the input values input to the input layer (38) pass through the input layer (38) and the intermediate layer (40), the transfer functions or multiplications between each note are combined, and the output layer (39)
), the molding conditions are predicted by adding all the inputs. Further, the system control section (35) transfers necessary defect diagnosis data from the knowledge base section (3I) to the molding defect diagnosis section (33) to perform injection molding defect diagnosis, and also causes the knowledge base section (3I) to perform injection molding defect diagnosis.
31) stores the specification data of the injection molded product, and also stores the stored specification data in the neural network section (31).
2) to recall the optimal forming condition estimate corresponding to the specification data, transfer this recalled forming condition estimate to the experiment planning section (34), and use the recalled forming condition estimate as an initial value to recall the orthogonal forming condition estimate. An experiment plan is created based on the table, and a predetermined experiment command signal is sent to the main control unit (2a) based on this experiment plan.
It is set up to output to.
つぎに、上記構成の成形支援エキスパートシステム（２
２）の作動について述へる。Next, the forming support expert system (2
The operation of 2) will now be described.
まず、溶融樹脂か金型（２）のキャビティー（４中に射
出され、保圧・冷却の後、成形品（５１）を金型（２）
から取り出す。つぎに、この成形品（５１）・に対する
不良の判定をオペレータか行う。この判定によって、例
えばウェルド、不良かあれば、使用されたプラスチック
材料の種類、例えばポリエテルイミド（ＰＥＩ）か入力
されるとともにウェルト不良及びこのウェルト不良の度
合い、例えば０６及び推論のしきい値０３かキーホード
（２３）からキー人力される。このキー人力されたデー
タは、主制御部（２４）及びメモリ（２５）を介して成
形不良診断部（３３）に出力される。そして、この成形
不良診断部（３３）にては、ます、ポリエーテルイミド
（ＰＥＩ）を使用してウェルト不良となったときの不良
事象度合いの所定値と当該ウエルト不良の度合い例えば
０．６とを比較し、所定値以上であるとき、知識ベース
部（３１）におけるアドレス領域Ｂを検索し、このアド
レス領域Ｂに蓄積されている診断ルールに従って推論を
実行する。そこで、成形不良診断部（３３）は、ウェル
ト不良を含む全ての診断ルールを検索し、ルール番号ｒ
１．ｒ３を探し出す。そして、診断ルールｒ３により対
話形式で充填不良事象の有無をオペレータに問い、その
事象か無ければ、診断ルールｒ３は却下されて診断ルー
ルｒ１か選択される。したかって、成形不良診断部（３
３）は、この診断ルールｒ】によってウェルド不良のみ
に対応する原因事象つまり「樹脂温度低い」を検索する
とともに、その確実度０゜８を読み出す。これにより、
成形不良診断部（３３）は、確実度０．８とウェルト不
良の度合い０． ６とを乗算して影響度０．４８を算出
する。そして、この算出値が、推論しきい値以上である
ことを確かめて、「樹脂温度低いＪの原因事象と、この
影響度０．４８を主制御部（２４）に出力する。かくし
て、主制御部（２４）の指令によって「樹脂温度低い」
の原因事象と影響度０．４８とが入出力部（２７）を介
して表示部（２６）に出力される。それから、オペレー
タは、この表示されている「樹脂温度低い」及び影響度
０．４８から成形条件の変更・修正及びその変更・修正
の度合いを判断する。この場合、「樹脂温度低い」であ
るから、例えばヒータ（１３ａ）の加熱温度の上昇度合
いを影響度から決定して射出成形条件を変更する。First, the molten resin is injected into the cavity (4) of the mold (2), and after holding pressure and cooling, the molded product (51) is transferred to the mold (2).
Take it out. Next, the operator determines whether the molded product (51) is defective. By this judgment, for example, if there is a weld defect, the type of plastic material used, for example polyetherimide (PEI), is input, as well as the welt defect and the degree of this welt defect, for example 06 and the inference threshold value 03. Key power is obtained from (23). This manually inputted data is output to the molding defect diagnosis section (33) via the main control section (24) and memory (25). In this molding defect diagnosis section (33), a predetermined value of the degree of defective event when a welt defect occurs using polyetherimide (PEI) and the degree of the welt defect, for example, 0.6, are determined. If it is equal to or greater than a predetermined value, the address area B in the knowledge base section (31) is searched and inference is performed according to the diagnostic rules stored in this address area B. Therefore, the molding defect diagnosis section (33) searches for all diagnosis rules including welt defects, and searches for the rule number r.
1. Find r3. Then, based on the diagnostic rule r3, the operator is asked in an interactive manner whether or not there is a filling defect event, and if there is no such event, the diagnostic rule r3 is rejected and the diagnostic rule r1 is selected. Therefore, the molding defect diagnosis department (3
3) uses this diagnostic rule r] to search for a causal event corresponding only to a weld defect, that is, "low resin temperature", and to read out its certainty level of 0.8. This results in
The molding defect diagnosis section (33) determines that the degree of certainty is 0.8 and the degree of welt defect is 0.8. 6 to calculate the influence degree of 0.48. Then, after confirming that this calculated value is greater than or equal to the inference threshold, it outputs the cause event of low resin temperature J and its influence degree of 0.48 to the main control section (24). “Resin temperature is low” according to the command from section (24).
The cause event and the degree of influence of 0.48 are output to the display section (26) via the input/output section (27). Then, the operator judges the change/correction of the molding conditions and the degree of the change/correction based on the displayed "resin temperature is low" and the influence degree of 0.48. In this case, since "the resin temperature is low", for example, the degree of increase in the heating temperature of the heater (13a) is determined from the degree of influence, and the injection molding conditions are changed.
つぎに、新製品の最適射出条件を求める場合は、まず、
新製品の仕様がキーボード（２３）からキー人力される
。このキー人力されたデータは、主制御部（２４）及び
メモリ（２５）を介してシステム制御部（３５）に出力
される。そして、このシステム制御部（３５）に出力さ
れた仕様データは、知識ベース部（３１）の成形データ
ファイル（３１ｅ）に格納される。Next, when determining the optimal injection conditions for a new product, first,
The specifications of the new product are entered manually from the keyboard (23). This key-entered data is output to the system control section (35) via the main control section (24) and memory (25). The specification data output to the system control section (35) is stored in the molding data file (31e) of the knowledge base section (31).
この仕様データは、射出成形品か、回転軸対称型レンズ
である場合、径、厚さ、開口数、ｆ値なとである。一方
、ニューラルネット部（３２）にては、前記回転軸対称
型レンズに対応するニューラルネットワーク（３６）が
選択される。このニューラルネットワーク（３６）は、
レンズ設計仕様及び射出成形実験から求めたと最適成形
条件の各データを正規化し、バックプロパゲーション（
ｂａｃｋ−ｐ＋ｏｐａｇａｌｏｎ）式学習方式により予
め約３万回程度学習させ、知識ベース部（３１）及びニ
ューラルネット部（３２）に蓄えておく。この学習動作
は、最適な成形条件が求まるたびに繰り返し、知識を更
新する。なお、バックプロパゲーション式学習方式は、
次のプロセスからなっている。すなわち、■く重みの初
期化〉すべての重みをランダムな値に設定、■く入力値
と期待出力の組を提示〉入力ベクトルとそれに対する期
待出力ベクトルの組を定める。■〈出力値の計算（前方
伝播）〉与えられた入力から出力ベクトルを求める。途
中の層にあるニューロンの内部状態値は次のステップの
処理のために記憶しておく。■〈重み調整（後方誤差伝
播）〉期待出力と出力の差を取り誤差を求め、出力段か
ら入力段へ逆方向へ誤差を伝播させ重みを調整する。This specification data includes diameter, thickness, numerical aperture, f-number, etc. in the case of an injection molded product or a rotationally symmetric lens. On the other hand, the neural network section (32) selects a neural network (36) corresponding to the rotational axis symmetric lens. This neural network (36) is
The lens design specifications, injection molding experiments, and optimum molding conditions were normalized and backpropagation (
The information is learned approximately 30,000 times in advance using the (back-p+opagalon) learning method and stored in the knowledge base section (31) and neural network section (32). This learning operation is repeated every time the optimal molding conditions are found to update the knowledge. In addition, the backpropagation learning method is
It consists of the following process. That is, (1) Initialize weights> Set all weights to random values; (2) Present pairs of input values and expected outputs> Define a pair of input vectors and expected output vectors for them. ■<Calculation of output value (forward propagation)> Find the output vector from the given input. The internal state values of neurons in intermediate layers are stored for processing in the next step. ■<Weight adjustment (backward error propagation)> The difference between the expected output and the output is taken to find the error, and the error is propagated in the reverse direction from the output stage to the input stage to adjust the weight.
■以上の■から■まてステップを各々の訓練パターンに
ついて繰り返す。しかして、知識ベース部（３１）から
径、厚さ、開口数、ｆ値などの仕様データをパックプロ
パゲーション式学習方式により学習したニューラルネッ
トワーク（３６）に入力する。■Repeat steps from ■ to ■ for each training pattern. Then, specification data such as the diameter, thickness, numerical aperture, f value, etc. are input from the knowledge base section (31) to the neural network (36) trained by the pack propagation type learning method.
すると、このニューラルネットワーク（３６）からは、
新製品である回転軸対称型レンズの最適射出成形条件推
定値が想起される。しかして、この想起射出成形条件推
定値は、実験計画部（３４）に送出される。ついで、こ
の実験計画部（３４）にては、入力した想起射出成形条
件推定値を初期値として、実験計画手法ファイル（３１
ｂ）に格納されているデータに基つき、最適射出成形条
件を求めるための実験計画案を立案する。つぎに、この
実験計画部（３４）にて立案された実験計画案は、シス
テム制御部（３５）を介して主制御部（２４）に送出さ
れる。それから、主制御部（２４）から実験計画案は、
メモリ（２５）及び入出力部（２７）を介して表示部（
２６）にて表示される。Then, from this neural network (36),
Estimated optimal injection molding conditions for a rotationally axially symmetric lens, which is a new product, are recalled. The estimated value of the simulated injection molding conditions is then sent to the experiment planning section (34). Next, in this experiment planning section (34), the experiment planning method file (31
Based on the data stored in b), create an experimental plan for determining optimal injection molding conditions. Next, the experiment plan drafted by the experiment planning section (34) is sent to the main control section (24) via the system control section (35). Then, the experimental plan is sent from the main control unit (24).
The display unit (
26).
さて、オペレータは、この表示部（２６）にて表示され
た実験計画案に基づいて射出成形実験を実行する。そし
て、このときの実験結果を示す実験データかキーボード
（２３）からキー人力される。このキー人力されたデー
タは、主制御部（２４）及びメモリ（２５）を介してシ
ステム制御部（３５）に出力される。Now, the operator executes an injection molding experiment based on the experimental plan displayed on the display section (26). Then, experimental data indicating the experimental results at this time is entered manually from the keyboard (23). This key-entered data is output to the system control section (35) via the main control section (24) and memory (25).
そして、このシステム制御部（３５）に出力された実験
データは、実験計画部（３４）に送出される。しかして
、実験計画部（３４）にては、この実験データに基つい
て最適射出成形条件か算出される。この最適射出成形条
件は、Ｓ／Ｎ比を評価値とするため、特性値、バラツキ
を最適化することかでき、効率良く、かつ、ロバストな
パラメータ設計を行なうことかできる。この算出された
最適射出成形条件は、知識ヘース部（３１）に格納され
る。さて、第１２図及び第１３図は、それぞれ射出成形
条件を構成する「保圧時間」と「保圧力」に関し、実験
計画部（３４）にて立案された実験計画案に従った射出
成形実験により得られた実験データから算出された最適
射出成形条件と、ニューラルネット部（３２）により想
起された射出成形条件推定値とを比較したものである。The experimental data output to the system control section (35) is then sent to the experiment planning section (34). The experiment planning section (34) calculates optimal injection molding conditions based on this experimental data. Since the optimum injection molding conditions use the S/N ratio as an evaluation value, characteristic values and variations can be optimized, and efficient and robust parameter design can be performed. The calculated optimum injection molding conditions are stored in the knowledge base section (31). Now, Figures 12 and 13 show an injection molding experiment according to the experimental plan drawn up by the experiment planning department (34) regarding the "holding time" and "holding force" which constitute the injection molding conditions, respectively. The optimum injection molding conditions calculated from the experimental data obtained by the above are compared with the estimated values of the injection molding conditions recalled by the neural network unit (32).
これらの各図から、パックプロパゲーション式学習を行
った射出成形条件推定値は、パックプロパゲーション式
学習を行なわなかったものよりも、実験計画法により算
出された最適射出成形条件からの誤差を示す想起精度が
向上することがわかる。ちなみに、学習済みレンズの想
起精度は、±５％以内であるのに対して、未学習レンズ
の想起精度は、±１８％以内であった。このように、こ
の実施例においては、想起精度か格段に向上しているの
で、実験計画を立て直さなくともよく、１回程度の実験
計画を用いた射出成形実験で所望の最適射出成形条件を
得ることかできる。From these figures, we can see that the estimated injection molding conditions with pack-propagation learning show more error from the optimal injection molding conditions calculated by the design of experiments than those without pack-propagation learning. It can be seen that recall accuracy improves. Incidentally, the recall accuracy of the learned lens was within ±5%, whereas the recall accuracy of the unlearned lens was within ±18%. In this way, in this example, the recall accuracy has been significantly improved, so there is no need to rebuild the experimental plan, and the desired optimal injection molding conditions can be determined in one injection molding experiment using the experimental plan. You can get it.
しかも、未学習レンズの想起精度は、±１８％以内であ
り、十分実用に耐え得るものとなっている。Furthermore, the recall accuracy of the unlearned lens is within ±18%, which is sufficient for practical use.
以上のように、この実施例の成形支援エキスパートシス
テム（２２）は、知識ベース部（３Ｉ）に逐次に蓄積さ
れた過去の射出成形データ・ノウハウに基づいて構築さ
れ且つパックプロパゲーション式学習を行なわせたニュ
ーラルネット部（３２）により射出成形条件推定値を想
起させ、この想起射出成形条件を初期条件として実験計
画部（３４）にて実験計画案を立案し、この実験計画案
に基づいて得られた実験データにより最適射出成形条件
を得るようにしているので、迅速かつ確実に所望の最適
射出成形条件を得ることかできる。したかって、成形精
度が向上することはもとより、新製品開発期間の短縮に
寄与することができる。さらに、この成形支援エキスパ
ートシステム（２２）は、成形不良診断部（３３）を備
えているので、オンライン及びオフラインで成形不良の
診断をすることかできる。As described above, the molding support expert system (22) of this embodiment is constructed based on past injection molding data and know-how sequentially accumulated in the knowledge base section (3I), and performs pack propagation type learning. The estimated values of injection molding conditions are recalled by the neural network section (32), and an experiment plan is drawn up in the experiment planning section (34) using the recalled injection molding conditions as initial conditions. Since the optimum injection molding conditions are obtained from the experimental data obtained, the desired optimum injection molding conditions can be quickly and reliably obtained. Therefore, it is possible to contribute not only to improving molding accuracy but also to shortening the new product development period. Furthermore, since this molding support expert system (22) is equipped with a molding defect diagnosis section (33), it is possible to diagnose molding defects online and offline.
また、実験計画部（３４）による実験計画案に基ついて
得られた実験データを不良診断知識にフィードバックす
ることにより、診断精度が向上する。Further, by feeding back the experimental data obtained based on the experimental plan by the experiment planning section (34) to the defect diagnosis knowledge, the diagnostic accuracy is improved.
なお、上記実施例は、射出成形にこの発明の成形支援エ
キスパートシステムを応用しているが、射出圧縮成形、
プレス成形、押出成形等、他の成形方法に適用すること
も可能である。さらに、上記実施例において、成形不良
診断部（３３）を除外してもよい。さらにまた、成形支
援エキスパートシステムは、成形機に一体的に接続する
ことなく、独立して設けてもよい。Although the above embodiment applies the molding support expert system of the present invention to injection molding, injection compression molding,
It is also possible to apply other molding methods such as press molding and extrusion molding. Furthermore, in the above embodiment, the molding defect diagnosis section (33) may be excluded. Furthermore, the molding support expert system may be provided independently without being integrally connected to the molding machine.
［発明の効果］
本発明の成形支援エキスパートシステムは、知識ベース
部に逐次蓄積された過去の成形データやノウハウに基づ
いて構築され且つ繰り返し学習を行なわせたニューラル
ネット部により成形条件推定値を想起させ、この想起成
形条件推定値を初期条件として実験計画部にて実験計画
案を立案し、この実験計画案に基づいて得られた実験デ
ータにより最適成形条件を得るようにしているので、迅
速かつ確実に所望の最適成形条件を得ることができる。[Effects of the Invention] The molding support expert system of the present invention is constructed based on past molding data and know-how sequentially accumulated in a knowledge base part, and recalls estimated values of molding conditions using a neural network part that performs repeated learning. The experimental planning department then creates an experimental plan using the estimated values of the estimated forming conditions as initial conditions, and the optimum forming conditions are obtained using the experimental data obtained based on this experimental plan. Desired optimum molding conditions can be reliably obtained.
したかって、成形精度か顕著に向上することはもとより
、成形パラメータ設計期間及び新製品開発期間の短縮に
寄与することかできる。さらに、この成形支援エキスパ
ートシステムは、不良診断推定部を備えているので、オ
ンライン及びオフラインで成形不良の診断をすることか
できる。Therefore, not only the molding accuracy can be significantly improved, but also the molding parameter design period and the new product development period can be shortened. Furthermore, since this molding support expert system is equipped with a defect diagnosis estimation section, it is possible to diagnose molding defects online and offline.
また、実験計画部による実験計画案に基ついて得られた
実験データを、不良診断知識にフィードバックすること
により、成形不良診断精度か向上する。Further, by feeding back the experimental data obtained based on the experimental plan by the experiment planning department to the defect diagnosis knowledge, the accuracy of molding defect diagnosis is improved.
第１図は本発明の一実施例の成形支援エキスパートシス
テムの全体構成図、第２図は第１図の要部の説明図、第
３図乃至第９図は知識へ−ス部内に格納されたデータの
内容を示す図、第１０図及び第１１図はニューラルネッ
ト部の説明図、第１２図及び第１３図は本発明の一実施
例の成形支援エキスパートシステムの作用を説明するた
めのグラフである。
（３１） 知識ベース部、 （３２１ニューラルネ
ット部、 （３３） 成形不良診断部、 （３４
） 実験旧画部（３６） ニューラルネットワーク
。
招
図
第
Ｊ
ヅ
鳩
図
第
１図
第
図
第
図
第
図
虫力
保圧力 （温圧時間
入力
第
圀Fig. 1 is an overall configuration diagram of a molding support expert system according to an embodiment of the present invention, Fig. 2 is an explanatory diagram of the main parts of Fig. 1, and Figs. 3 to 9 are stored in the knowledge base section. 10 and 11 are explanatory diagrams of the neural network section, and FIGS. 12 and 13 are graphs for explaining the operation of the molding support expert system according to an embodiment of the present invention. It is. (31) Knowledge base department, (321 neural network department, (33) Molding defect diagnosis department, (34
) Experimental Old Painting Department (36) Neural Network. Invitation number J ㅅ fig. 1 fig. fig. fig. fig.
Claims (2)
形条件の関係が格納された知識ベース部と、上記成形品
の仕様及びこれらに対応する最適成形条件の関係に基づ
いて構築された複数のニューラルネットワークを有しこ
のニューラルネットワークにより特定の成形品の最適成
形条件推定値を想起するニューラルネット部と、このニ
ューラルネット部にて想起された最適成形条件推定値を
初期値として実験計画法により実験計画を組むとととも
にこの実験計画に従って得られた実験データに基づいて
上記特定の成形品の最適成形条件を決定する実験計画部
とを具備することを特徴とする成形支援エキスパートシ
ステム。(1) A knowledge base section that stores the relationships between the specifications of multiple molded products and their corresponding optimal molding conditions, and a knowledge base section that stores the relationships between the specifications of multiple molded products and their corresponding optimal molding conditions; A neural network has a neural network of A molding support expert system comprising: an experiment planning section that creates an experimental plan and determines optimal molding conditions for the specific molded product based on experimental data obtained according to the experimental plan.
タに対応する成形不良診断ルールが格納された知識ベー
ス部と、この知識ベース部に格納された成形不良事象デ
ータ及び成形不良診断ルールに基づいて成形品の成形不
良診断を行う成形不良診断部とを具備することを特徴と
する請求項（１）記載の成形支援エキスパートシステム
。(2) A knowledge base section storing molding defect event data and molding defect diagnosis rules corresponding to the molding defect event data, and molding based on the molding defect event data and molding defect diagnosis rules stored in this knowledge base section. The molding support expert system according to claim 1, further comprising a molding defect diagnosis section for diagnosing molding defects of the product.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18950490A JPH0477219A (en) | 1990-07-19 | 1990-07-19 | Expert system of molding-assistance |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18950490A JPH0477219A (en) | 1990-07-19 | 1990-07-19 | Expert system of molding-assistance |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0477219A true JPH0477219A (en) | 1992-03-11 |
Family
ID=16242379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18950490A Pending JPH0477219A (en) | 1990-07-19 | 1990-07-19 | Expert system of molding-assistance |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0477219A (en) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006289874A (en) * | 2005-04-14 | 2006-10-26 | Mitsubishi Heavy Industries Plastic Technology Co Ltd | Injection-molding backup device, injection-molding system and injection-molding backup control method |
| JP2007296816A (en) * | 2006-05-08 | 2007-11-15 | Sumitomo Chemical Co Ltd | Method for setting molding condition, program and injection molding machine |
| JP2008110486A (en) * | 2006-10-27 | 2008-05-15 | Nissei Plastics Ind Co | Support device of injection molding machine |
| JP2017124498A (en) * | 2016-01-12 | 2017-07-20 | 財團法人精密機械研究發展中心 | Method of acquiring manufacturing parameters used for injection molding |
| WO2018135443A1 (en) * | 2017-01-17 | 2018-07-26 | 日精樹脂工業株式会社 | Method for estimating molding conditions of injection molding machine |
| JP6453975B1 (en) * | 2017-10-20 | 2019-01-16 | 東芝機械株式会社 | Injection molding machine |
| JP2019014187A (en) * | 2017-07-10 | 2019-01-31 | 株式会社日本製鋼所 | Injection molding machine system including computer and a plurality of injection molding machines |
| JP2019084556A (en) * | 2017-11-06 | 2019-06-06 | 株式会社東芝 | Die temperature abnormality sign detection device, and program |
| JP2020187174A (en) * | 2019-05-10 | 2020-11-19 | ポリプラスチックス株式会社 | Formation teaching device, formation teaching method, and formation teaching program |
| JP2022547118A (en) * | 2019-09-11 | 2022-11-10 | エル エス エムトロン リミテッド | AI-Based Injection Molding System and Molding Condition Generation Method in Injection Molding System |
-
1990
- 1990-07-19 JP JP18950490A patent/JPH0477219A/en active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006289874A (en) * | 2005-04-14 | 2006-10-26 | Mitsubishi Heavy Industries Plastic Technology Co Ltd | Injection-molding backup device, injection-molding system and injection-molding backup control method |
| JP2007296816A (en) * | 2006-05-08 | 2007-11-15 | Sumitomo Chemical Co Ltd | Method for setting molding condition, program and injection molding machine |
| JP2008110486A (en) * | 2006-10-27 | 2008-05-15 | Nissei Plastics Ind Co | Support device of injection molding machine |
| JP2017124498A (en) * | 2016-01-12 | 2017-07-20 | 財團法人精密機械研究發展中心 | Method of acquiring manufacturing parameters used for injection molding |
| WO2018135443A1 (en) * | 2017-01-17 | 2018-07-26 | 日精樹脂工業株式会社 | Method for estimating molding conditions of injection molding machine |
| JP2019014187A (en) * | 2017-07-10 | 2019-01-31 | 株式会社日本製鋼所 | Injection molding machine system including computer and a plurality of injection molding machines |
| JP6453975B1 (en) * | 2017-10-20 | 2019-01-16 | 東芝機械株式会社 | Injection molding machine |
| WO2019078312A1 (en) * | 2017-10-20 | 2019-04-25 | 東芝機械株式会社 | Injection molding machine |
| JP2019077055A (en) * | 2017-10-20 | 2019-05-23 | 東芝機械株式会社 | Injection molding machine |
| JP2019084556A (en) * | 2017-11-06 | 2019-06-06 | 株式会社東芝 | Die temperature abnormality sign detection device, and program |
| JP2020187174A (en) * | 2019-05-10 | 2020-11-19 | ポリプラスチックス株式会社 | Formation teaching device, formation teaching method, and formation teaching program |
| JP2022547118A (en) * | 2019-09-11 | 2022-11-10 | エル エス エムトロン リミテッド | AI-Based Injection Molding System and Molding Condition Generation Method in Injection Molding System |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Khosravani et al. | Injection molding manufacturing process: Review of case-based reasoning applications | |
| Shelesh-Nezhad et al. | An intelligent system for plastic injection molding process design | |
| US6600961B2 (en) | Intelligent control method for injection machine | |
| JP3018957B2 (en) | Optimal molding condition setting system for injection molding machines | |
| CN1244032C (en) | Control system for E. G. primary-industry or manufacturing-industry facilities | |
| JPH0477219A (en) | Expert system of molding-assistance | |
| US5012430A (en) | Fuzzy inference-based digital control method and apparatus | |
| TW584591B (en) | Method of setting parameters for injection molding machine | |
| JP2656637B2 (en) | Process control system and power plant process control system | |
| WO1989009126A1 (en) | Molding condition recorder for injection molding machine | |
| US5216617A (en) | Group management system for injection molding machines | |
| US20200202235A1 (en) | Model-based machine learning system | |
| Park et al. | AI based injection molding process for consistent product quality | |
| JP2023538885A (en) | Computer-implemented method for controlling and/or monitoring at least one injection molding process | |
| US5487130A (en) | Fuzzy rule acquisition method and apparatus for fuzzy inference system and fuzzy inference system using the apparatus | |
| CN106843172A (en) | Complex industrial process On-line quality prediction method based on JY KPLS | |
| EP0455820B1 (en) | Method of correcting defective molding in injection molding machine | |
| TWI709922B (en) | A model-based machine learning system | |
| Lau et al. | Neural-fuzzy modeling of plastic injection molding machine for intelligent control | |
| KR0170434B1 (en) | Process for producing flat and annular-cross-section extrudates and device for implementing the process | |
| JPS63209917A (en) | Injection molding support expert method | |
| CN117852116A (en) | Method for constructing digital twin model | |
| JP2021030264A (en) | Learning model generation method, database construction method, mill setup setting method, manufacturing method of rolled material, manufacturing method of processing object, and learning model generation device | |
| CN105550774A (en) | Facility feed delivery prediction method and prediction system | |
| US6604383B2 (en) | Control for an I.S. machine |